基于K-means聚類的磁瓦缺陷圖像分割方法

馬旭東 袁銳波 李洪鋒

摘要：為了實現磁瓦圖像中缺陷的準確檢測，以分割磁瓦端面崩塊缺陷為目的提出一種基于K-means聚類的分割方法。磁瓦圖像采集的關鍵技術是光源選用，分析傳統的磁瓦圖像分割方法——閾值分割，并以迭代選擇閾值算法作為對比算法進行介紹;著重剖析K-means算法的基本聚類原理，并引出其算法實現流程。采用兩種算法對磁瓦端面圖像進行分割。結果表明，基于K-means聚類算法對磁瓦圖像進行分割，能夠正確分割出磁瓦端面的崩塊缺陷。

關鍵詞：磁瓦;缺陷檢測;崩塊缺陷;K-means;閾值分割

DOI：10.11907/rjdk.191303

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2019）012-0180-03

0引言

用永磁鐵氧體材料制成的瓦形磁體（簡稱磁瓦）是生產永磁電機磁體的主要元件，其質量好壞關系到電機的使用性能。若具有缺陷的磁瓦用于工業機器人或其它工業產品，將會造成無法挽回的損失。當前，磁瓦缺陷的檢測主要通過人眼視覺實現。人工檢測方式在效率和精確度上會隨檢測時間的延長而降低，而且招工難、成本高。

近年來，采用機器視覺的方法對磁瓦進行缺陷檢測，顯著提高了磁瓦生產企業的產品質量和生產效率。它不需要接觸磁瓦就可完成檢測，防止檢測時磁瓦被損壞，同時速度快、精度高，促進了相關領域研究及工業應用。但是，磁瓦類型眾多，每個磁瓦除了6個表面還有許多倒角，其缺陷類型非常復雜，有崩塊、裂紋、起層、孔洞等。采用基于機器視覺的方式對磁瓦缺陷進行檢測，在技術上存在較大難度。

磁瓦崩爛型缺陷主要發生在磁瓦各個面的邊緣，根據磁瓦各缺陷面輪廓特征不同于正常磁瓦加以判別。磁瓦圖像分割的目的是將磁瓦圖像中包含缺陷的整個面分割出來，從而方便輪廓、紋理等特征提取。傳統圖像分割主要采用閾值分割算法對磁瓦表面圖像進行分割。但磁瓦圖像采集時存在缺陷對比度低、亮度不均勻等問題，因此不能很準確地分割出缺陷表面，誤判率高。

鑒于此，本文采用K-means（K-均值）聚類分割算法對磁瓦以灰度信息聚類的方式進行分割，同時與傳統閾值分割法進行比較。結果表明，本文圖像分割方式能夠準確分割出磁瓦端面的崩塊缺陷。1磁瓦圖像采集

圖像采集系統主要包括光源、電荷耦合設備（ChargeCoupled Device，CCD）相機和光學鏡頭，其功能是完成產品表面圖像的采集。在光源照明下，磁瓦端面會反射光線，被反射回來的光線通過鏡頭聚焦，然后將磁瓦端面成像在相機傳感器上。至此，磁瓦端面的光信號經過這些設備變為電信號，再通過數據傳輸到計算機，變成能被計算機處理的數字信號。被采集回來的磁瓦端面圖像質量，直接決定了其缺陷分割精度。光源選擇及使用方式，又直接影響到被采集回來的磁瓦端面圖像質量。一個好的光源選型，不僅可以減弱自然光對圖像采集時的干擾，顯現磁瓦圖像缺陷的重要特征，還可以抑制背景及其它不需要的特征，從而獲取對比度高的磁瓦端面圖像。增強磁瓦端面圖像與后景對比強度的方法之一是使用單色光源照明。同時，為了使磁瓦端面圖像獲取均勻的光照，使用同軸漫射光源，因為使用半透半反鏡將光反射到磁瓦端面上，相機不需要通過小的攝像孔采集圖像。本文光源采用藍色同軸光源，波長為460nm-475nm。

鏡頭采用焦距6mm、分辨率為200萬像素的工業鏡頭;相機采用120幀速率的Basler CCD面陣相機。因其對紅外光敏感，在鏡頭前加上中心波長為470nm、帶寬30nm的藍色濾鏡以避免圖像過亮以及圖像顏色變化。整個磁瓦端面圖像采集系統如圖1所示。

2分割算法理論分析

2.1閾值分割

閾值分割的原理是通過灰度像素幅度實現分割，它是圖像分割的基本技術之一，具有快速、簡單、有效的特點。圖像像素點根據設置的閾值分為兩個有意義的區域，閾值的確定存在較大難度，也直接決定分割精度和分割后區域描述的正確性。

本文采用循環迭代計算并確定閾值的方式實現閾值分割，作為磁瓦端面圖像分割的對比算法。其基本操作流程是：

（1）設定一個初始閾值T。

（2）將圖像像素點大于閾值T的區域設定為區域R，，圖像像素點小于閾值T的區域設定為區域R2。

（3）分別求出區域R1和R2中所有像素的平均灰度值為u1和u2。

（4）重新計算新的閾值：

（5）重復步驟（2）-步驟（4），直到迭代所得的閾值T小于最初設定的閾值T。

2.2K-means聚類分割

聚類時，樣本只要被劃人某個類別就不會再變化，因此對分類方法的精確度要求很高。采用動態聚類法可以避免初始分類不夠精確而帶來的分類效果差的問題。其算法基本思想是通過設定一些初始聚類中心，讓樣本先按照距離聚類中心遠近劃分到相應的類別中，得到初始分類;然后用某種原則修正，直到分類合理為止。動態聚類法流程如圖2所示。

K-means聚類算法具有計算速度快、聚類效果好等優點，是最常用的動態聚類算法之一。以圖像的像素為數據點，按照指定的簇數進行聚類，最終將每個像素點以其對應的聚類中心進行替代，重新組成圖像。

誤差平方和準則被用作K-means聚類方法使用的聚類準則，通過反復迭代優化聚類結果，使所有樣本到各自所屬類別的中心距離平方和最小。

第i聚類Γi中，樣本均值mi與樣本數目Ni的關系如式（2）。

3結果分析

在磁瓦端面圖像采集過程中會存在一定的噪聲，使得原始圖像存在干擾導致邊界模糊，一些細微結構就會被隱藏，因此在對圖像進行分割前，需要先對采集回來的圖像進行預處理操作。本文在對輸入圖像進行中值濾波預處理后，采用K-means聚類算法對磁瓦端面圖像進行分割并與傳統閾值分割算法進行對比試驗。分割結果如圖3所示。

通過圖像采集系統采集的磁瓦大端面圖像如圖3（a）所示，該圖像中存在2處崩塊缺陷，經過閾值分割得到的區域如圖3（c）所示，該方法只能分割出大端面的一個缺陷區域，而經過K-means聚類分割得到的區域如圖3（e）所示，該算法可以正確分割出兩個缺陷區域;通過圖像采集系統采集磁瓦的小端面圖像如圖3（b）所示，該圖像中存在3處崩塊缺陷，經過閾值分割得到的區域如圖3（d）所示，該方法無法分割出小端面的缺陷信息，而經過K-means聚類分割得到的區域如圖3（f）所示，該算法可以正確分割出3個缺陷區域。

通過對比兩種算法對磁瓦缺陷圖像的分割結果可知，K-means聚類分割算法可以正確分割出磁瓦端面的崩塊缺陷，而閾值分割算法分割不穩定。

4結語

本文為了實現對磁瓦缺陷的準確檢測，通過分析磁瓦圖像采集系統硬件對圖像采集的影響，確定一套有效的方案。在搭建完圖像采集系統并采集磁瓦端面圖像后，采用先進的K-means聚類算法對磁瓦圖像進行分割。與傳統閾值分割算法相比，K-means聚類算法能夠正確分割磁瓦端面圖像崩塊缺陷。為了實現磁瓦圖像缺陷的最終提取，需要進一步對分割出來的圖像進行輪廓、紋理等特征提取。由于崩塊缺陷主要發生在磁瓦邊緣處，因此本文只通過磁瓦端面進行了缺陷圖像分割研究，并未對裂紋、起層等其它類型缺陷進行研究。